Los investigadores han demostrado matemáticamente que las redes neuronales cuánticas (QNN) podrían potencialmente superar las limitaciones impuestas por el principio de incertidumbre de Heisenberg, una piedra angular de la mecánica cuántica. Este avance sugiere una forma de medir múltiples propiedades de los sistemas cuánticos con mayor precisión de lo que se pensaba anteriormente, lo que tiene importantes implicaciones para la computación cuántica y la ciencia de los materiales.
El desafío: medición cuántica e incertidumbre
El principio de incertidumbre de Heisenberg dicta que ciertos pares de propiedades físicas, como la posición y el momento, no pueden conocerse simultáneamente con absoluta precisión. Medir una propiedad con mayor precisión reduce inherentemente la precisión con la que se puede determinar la otra. Esto plantea un obstáculo importante a la hora de caracterizar los sistemas cuánticos, incluidos los qubits utilizados en las computadoras cuánticas.
Tradicionalmente, los investigadores evalúan las propiedades de los qubits aplicando una serie de operaciones, similares a pruebas matemáticas como dividir un número entre dos para comprobar su uniformidad. Sin embargo, el principio de incertidumbre hace que algunas combinaciones de operaciones sean incompatibles. Intentarlos es como intentar multiplicar por tres y luego dividir por dos sin perder información significativa.
Redes neuronales cuánticas como solución
El estudio, dirigido por Duanlu Zhou de la Academia de Ciencias de China, propone que las QNN pueden resolver esta incompatibilidad. Al incorporar operaciones aleatorias de un conjunto predefinido al algoritmo, los QNN pueden medir múltiples propiedades simultáneamente, incluso aquellas limitadas por el principio de incertidumbre.
Esto es posible porque los resultados de numerosas operaciones aleatorias se pueden analizar estadísticamente para revelar resultados más precisos que las operaciones individuales repetidas por sí solas. En esencia, la aleatoriedad permite al QNN “sondear” el sistema de manera que evite la violación directa del principio de incertidumbre y al mismo tiempo extraiga el máximo de información.
Implicaciones para la computación cuántica y la ciencia de materiales
Robert Huang, del Instituto de Tecnología de California, enfatiza que la medición eficiente de propiedades incompatibles acelera nuestra capacidad de aprender sobre sistemas cuánticos. Esto es fundamental tanto para realizar evaluaciones comparativas de computadoras cuánticas como para simular sistemas complejos como moléculas y materiales. Cuanto más rápido y con mayor precisión podamos caracterizar los qubits, más poderosas y confiables serán las computadoras cuánticas.
La viabilidad de este enfoque en escenarios del mundo real aún no se ha probado por completo. Huang señala que su eficacia dependerá de cómo se compare con los métodos existentes que también aprovechan la aleatoriedad en las mediciones cuánticas. Sin embargo, el marco teórico es sólido y abre un camino prometedor hacia la superación de las limitaciones fundamentales de la medición cuántica.
En última instancia, esta investigación sugiere que algoritmos de aprendizaje automático cuántico cuidadosamente diseñados podrían desbloquear conocimientos más profundos sobre el comportamiento de los sistemas cuánticos, acelerando el progreso en diversos campos, desde la química hasta el desarrollo de materiales avanzados.
